一种基于二阶本体的电网多源数据融合方法与流程

1.本技术属于电力技术领域，尤其涉及智能电网技术，提出一种基于二阶本体的电网多源数据融合方法。


背景技术：

2.电力系统是由发电节点、输电系统、用户组组成的，随着能源互联网技术和多传感器数据融合技术的发展，电力运营中的发电、输电、配电、用电等全流程电力环节均会产生海量且多维的指标数据，由于存储空间和计算能力的限制，直接对这些海量数据进行处理是不合实际的。由于多种同类型的传感器对同一目标进行测量时，由于观测环境的复杂性以及观测对象的不确定性，不同传感器的测量数据会存在数据异常、抖动、缺失以及与观测目标不一致等问题。而基于动态时间规整的数据融合方法通过挖掘同类传感器测量数据中的一致性信息，从而减少异常数据以及传感器测量偏差所带来的干扰，增加数据融合的准确度，实现同类数据源的融合。同时来自不同设备的数据具有异构性，不仅包含用电量、电压、电流等欧式数据，而且还包含网络拓扑等非欧式数据，难以直接进行融合。因此对不同类型的数据进行特征提取以及特征融合对于从多个自治的、分布的异构数据源中获取信息，消除来自不同数据源之间的差异，提高数据融合的准确度和不同维度感知信息的相关性，提高电力系统的数据处理效率具有重要意义。
3.现有的数据融合方法大都依赖于数据的同构性，计算复杂度高且收敛性差，同时来自不同类型设备的数据通常难以直接进行融合，而随着语义网技术的进步，本体这一概念开始应用到数据融合领域。本体是知识图谱中对知识的一种表现形式，具有强大的知识获取能力和良好的语义表达能力。在数据融合过程中使用本体，能够帮助理解数据知识语义层面的意义，获取数据概念信息之中的蕴含的关系。


技术实现要素：

4.本技术实施例的目的在于提供一种基于二阶本体的电网多源数据融合方法，促进数据资源的利用，实现最大程度的信息共享。
5.为实现上述目的，本技术提供如下技术方案：
6.本技术实施例提供一种基于二阶本体的电网多源数据融合方法，包括以下具体步骤：
7.将来自同类数据源的数据通过改进的动态时间规整算法获得最小累计距离以及每个数据源的支持度；
8.通过加权融合的形式完成同类型数据源之间的数据融合，得到一阶本体；
9.通过图神经网络模型的特征提取模块实现异构数据源的特征提取；
10.通过图神经网络模型的特征融合模块输出重建的特征融合数据，实现多源电力感知信息融合。
11.所述将来自同类数据源的数据通过改进的动态时间规整算法获得最小累计距离
以及每个数据源的支持度具体为，
12.针对同一类型数据源pi和pj的时间序列样本的时间序列样本构建网格矩阵，其中网格矩阵的第(k,l)个元素为构建平行四边形网格，平行四边形网格两条邻边的斜率分别设置为4，再将平行四边形划分为三个子区域，依次从三个子区域的数据中选择一规整路径使得两时间序列和之间的累计距离最小；根据最小累计距离以及模糊支持度函数构建出模糊支持度矩阵得到各个数据源的支持度。
13.所述通过图神经网络模型的特征提取模块由一个下采样模块和和6个特征提取链路逐步级联组成，下采样模块采用倍率为2的池化下采样，
14.每个特征提取链路由一个图卷积层、一个relu激活函数和一个drouput层构成，图卷积层用节点表征一阶本体，relu激活函数能够加快网络的训练速度以及增加网路的非线性；图神经网络模型的特征融合模块由4个特征融合链路逐步级联组成，每个特征融合链路由一个图卷积层和一个relu激活函数组成。
15.与现有技术相比，本技术的有益效果是：解决了现有的同类数据融合方案中算法复杂度高、收敛性差和冗余度高的问题，解决了现有的数据融合方案不能实现异构数据融合的缺陷，减少了多个数据源融合时在理解方面的偏差，减少判别的不确定因素，从而得到能对不同来源信息数据进行全局统一表示的高质量融合数据。
附图说明
16.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
17.图1为提出的基于二阶本体的电网多源数据融合方法框图；
18.图2为提出的改进的动态时间规整算法框图；
19.图3为图神经网络模型框图；
20.图4为本技术实施例的效果图。
具体实施方式
21.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
22.术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物
品或者设备中还存在另外的相同要素。
23.请参见图1-图4，本技术提供了本发明的实施方法中，首先将来自同类数据源的数据通过改进的动态时间规整算法获得最小累计距离以及每个数据源的支持度，通过加权融合的形式完成同类型数据源之间的数据融合，得到一阶本体，其次通过图神经网络模型的特征提取模块实现异构数据源的特征提取，最后通过图神经网络模型的特征融合模块输出重建的特征融合数据，实现多源电力感知信息融合。
24.本实例中，改进的动态时间规整算法如下：
25.针对同一类型数据源pi和pj的时间序列样本的时间序列样本如图2所示，构建网格矩阵ogbh，其中矩阵ogbh的第(k,l)个元素为点b,g,h的坐标依次为点b,g,h的坐标依次为
26.定义规整路径w＝[w1,w2,
…
,wk],wk的坐标为(i,j)时对应元素若在网格矩阵ogbh中直接寻找规整路径w的元素，数据处理量大，计算复杂度高。因此构建平行四边形网格oabc，其中oa边和bc边的斜率为4，ab边和co边的斜率为通过计算可获得a,c坐标
[0027]
由于a,c的坐标不一定为整数，通过取整操作得到由于a,c的坐标不一定为整数，通过取整操作得到由于a,c的坐标不一定为整数，通过取整操作得到由于a,c的坐标不一定为整数，通过取整操作得到平行四边形网格oabc扩充为oa
*d*
，a
*e*c*d*
和e
*
bc
*
三个子区域，三个子区域中的网格距离d(r,s)计算公式如下:
[0028][0029]
根据网格距离d(r,s)，得到规整路径位于(r,s)处的元素wk(r,s)累计距离：
[0030][0031]
规整路径w的长度k满足以下条件：
[0032][0033]
同时路径起点w1位于o(1,1)处，路径终点wk位于点为了保证规整路径从起点o以连续上升的方式到达点b，若第k-1个元素w
k-1
的坐标为(u,v)，则第k个元素wk的坐标(u
*
,v
*
)满足：
[0034]
0≤u
*-u≤1,0≤v
*-v≤1
ꢀꢀꢀ
(4)
[0035]
依次在oa
*d*
，a
*e*c*d*
和e
*
bc
*
三个子区域中选择满足上述条件的规整路径元素，最
终得到位于b的累计距离定义模糊支持度函数：
[0036][0037]
则时间序列和之间的模糊支持度为t
i,j
＝s(d)。进一步构建出模糊支持度矩阵t，t的维度是n
p
×np
，t的第(i,j)个元素为t
i,j
，因此除数据源pi外的所有数据源对数据源pi的支持度为
[0038][0039]
定义数据源pi的时间序列数据方差为设置通过加权融合，得到第p个一阶本体表达式为：
[0040][0041]
如图3，本实例中，实现基于图神经网络的异构数据融合方法如下:
[0042]
多路一阶本体通过特征提取模块实现有效的特征提取以及特征对齐，特征提取模块由一个下采样模块和6个特征提取链路逐步级联组成。下采样模块采用倍率为2的池化层，在对数据降维的同时减少网络要学习的参数数量，使得后面的特征提取链路能够学到更加全局的信息。每个特征提取链路由一个图卷积层、一个relu激活函数和一个drouput层构成，图卷积层用节点表征一阶本体，通过改变节点之间的连接关系以及权重聚合邻居节点的信息，更新节点的状态，drouput层能够有效的防止深度神经网络的参数巨大产生的过拟合问题。特征融合模块包括四个特征融合链路，为了避免数据融合过程中浅层数据的丢失问题，将第i-1(i＝1,2,3)个特征融合链路的输出与第i个特征融合链路的输出共同作为第i+1层的输入。图神经网路中的邻接矩阵h使用点互信息表示：
[0043][0044][0045][0046]
其中w(x,y)表示节点x和节点y特征向量相同的个数，w(x)表示节点x的特征向量在所有本体中出现的个数，w1表示节点x和节点y的特征向量个数。邻接矩阵能够清晰的描述图的拓扑信息，节点i的度可以通过对邻接矩阵h的行求和得到：
[0047]
li＝∑
jhi,j
ꢀꢀꢀ
(11)
[0048]
度矩阵表示为l＝diag(li)，节点向量x的图卷积操作定义为：
[0049][0050]
i是单位矩阵，g
θ
是分类器，θ为切比雪夫系数。通过卷积核与所输入信号两者的卷积，便可以实现在图结构数据上的局部参数共享。节点特征的更新满足：
[0051]fh+1
＝ζ(a)
ꢀꢀꢀ
(13)
[0052][0053][0054]
a表示的是第h层节点的特征向量，ai是第h层第i个特征值，f
h+1
表示第h+1层节点的特征，qh表示第h层和第h+1层之间的权重矩阵。损失函数定义为：
[0055][0056]
z表示图神经网络的层数，yj表示第j个特征的真实输出值，表示第j个特征通过图神经网络后的预测输出值。通过损失函数，图神经网络训练过程中可实现权值更新：
[0057][0058]qh*
表示更新后的第h层和第h+1层之间的权重矩阵。β为学习率，设置为0.4。
[0059]
如图4，本算法选择四条输电线路的有功功率(mw)，无功功率(mvar)，负荷量(mw)，电压等级(kv)，系统容量(mva)以及输电线路温度作为输入数据源，融合结果为输电线路安全性，将融合结果与实际的输电线路安全性进行判断，每10分钟融合一次，输出结果并判断，在文档最后面给出了一个月各天的融合成功判断率。
[0060]
以上所述仅为本技术的实施例而已，并不用于限制本技术的保护范围，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。